多策略果蝇优化算法及其应用

针对果蝇算法容易陷入局部极值、收敛速度慢和收敛精度低的问题,基于粒子群优化算法中社会认知因子和差分演化算法的变异算子,提出了一种多策略果蝇优化算法(SFOA)。对于味道浓度值劣于平均味道浓度的个体,采用社会认知变异因子产生下一代个体,加快收敛速度。对于味道浓度值优于平均味道浓度的个体,引入差分向量,提高算法跳出局部极值的能力。经过8个测试函数的仿真实验对比,SFOA具有更好的全局搜索能力、更快的收敛速度和更高的收敛精度。最后,将改进后的果蝇算法运用到GE气化炉操作优化中,以有效合成气产率最大化为优化目标,氧煤比和水煤浆浓度为决策变量,结果表明,SFOA能够快速找到最优值,证明了多策略果蝇优化算法的有效性。

自适应果蝇算法优化模糊均值聚类算法图像分割

为提高图像分割精度,并针对传统模糊均值聚类算法存在的聚类中心选取问题,提出一种改进果蝇算法优化模糊均值聚类算法的图像分割算法。首先,根据上一代最优味道浓度判断值和当前迭代次数来自适应调整果蝇算法进化步长,在初期的步长大可避免陷入局部最优,进化后期果蝇移动步长变小可获得更高的收敛精度,加快收敛速度;然后,采用改进果蝇算法选择模糊均值聚类算法的初始聚类中心,实现图像分割;最后,采用仿真实验测试算法的性能,实验结果表明,相对于对比算法,算法在分割正确率、分割速度及鲁棒性上均更优,具有更广的应用前景。

改进Adaboost算法的人体步态识别方法

为了在人体步态识别中更加准确地进行动作分类,提出了一种基于改进Ada Boost算法的人体步态识别方法。首先利用Kinect传感器捕获姿态序列,并表示为8个选定四肢的角向量（欧拉角）,进一步通过稀疏表示建模作为候选特征;然后使用支持向量机（SVM）对每一个动作特征进行训练,得到弱分类器;最后利用Adaboost算法进行训练,得到相应的动作特征集和强分类器,并对强分类器进行融合实现动作识别。通过大型数据集的测试以及与几种最新方法的比较,证明了该方案的有效性,识别精度能够达到94%左右。

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.

基于模拟退火机制的果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度不高的缺点,提出了基于模拟退火机制的果蝇优化算法(SAFOA)。算法在分析FOA优化机理和局限性的基础上,采用模拟退火机制对果蝇进行扰动,根据随机概率对局部极小点进行取舍和突跳,从而避免果蝇被局部极小值吸引。通过12个标准测试函数的仿真结果表明,相比基本FOA、其它改进的FOA和PSO等算法,SAFOA算法有效地避免了基本FOA算法易陷入局部最优等缺点,具有更强的全局搜索能力和稳定性,其收敛精度、收敛速度均得到显著的提高。

演化式果蝇算法及其应用研究

现实中的大量问题都可以转化为函数优化问题,而寻找优化问题的通用高效算法,是智能计算所要达到的主要目的之一。文中基于果蝇觅食行为的社会特性,设计了一种求解函数优化问题的演化式果蝇算法。该算法首先定义了果蝇味道浓度判定值及果蝇味道浓度判定函数,针对多维度问题,提出了距离分量及味道浓度判定值分量的概念,并将其用于引导果蝇搜索过程之中,得到了较理想的寻优结果。实验表明,算法具有较高的效率、良好的全局性能及普适性。

基于自适应EKF滤波算法的汽包水位估计方法

锅炉是火力发电机组的核心设备,汽包水位是亚临界锅炉安全运行的关键参数之一。汽包水位的测量往往存在着虚假水位、传感器误差、系统微观模型建立不准等因素的影响,极易测量不准确。针对目前存在的问题,提出了一种基于自适应扩卡尔曼滤波的汽包水位估计方法。通过把系统线性化过程中所省略的那些高阶项部分全部归并到状态噪声中,该方法能够有效消除观测量中可能存在的野值和系统时变噪声所引起的传统卡尔曼滤波发散及精度不高的问题,具有显著的容错能力和鲁棒性,且能够实时跟踪锅炉汽包水位的变化,在易受扰动过程控制系统中发挥重要作用。

基于果蝇算法的物联网节点定位技术研究

基于位置的服务是物联网最具发展潜力的应用之一,提供可靠的节点定位信息已成为衡量物联网技术标准的重要指标。为有效地对未知节点进行定位,针对果蝇优化算法定位精度低以及收敛速度慢的问题,提出一种基于果蝇算法的物联网节点定位改进方法。采用边界盒算法限制果蝇优化算法定位的初始范围,同时重构算法的味道浓度函数,选择合适的测量节点数量以及种群规模,实现算法的动态特性与定位精度的平衡。实验结果表明,与果蝇优化、粒子群优化等算法相比,该算法能够有效提高定位精度和收敛速度,并且稳定性较高,可满足节点定位需求。

一种改进的果蝇优化算法

果蝇优化算法(FOA)有易陷入局部最优和应用领域小的不足之处.通过修改味道浓度判定值,并将整个迭代寻优过程分为果蝇移动范围逐步增大和逐步减小两阶段,给出了一种改进的果蝇优化算法(IFOA).相对于FOA,IFOA扩大了应用领域,保证了果蝇群体的多样性,也使果蝇更易跳出局部最优.最后对于6个经典测试函数的仿真试验结果表明,IFOA具有更好的全局搜索能力,在收敛精度、收敛速度和收敛稳定性上均比FOA有较大提高.

一种改进的果蝇优化算法及其在气动优化设计中的应用

果蝇优化算法(FOA)是一种新的群体智能优化算法,具有良好的全局收敛特性。为进一步提高FOA的寻优性能,将其引入到气动优化设计中,发展形成了改进的果蝇优化算法(IFOA)。IFOA通过引入惯性权重函数动态调整搜索步长,有效实现了算法全局搜索和局部搜索之间的动态平衡,提高了算法整体搜索效率和寻优精度;对于多维优化问题,IFOA每次搜索仅随机扰动其中一个决策变量,并在每个迭代步内将所有优秀果蝇个体(可行解)结合产生一个全新的果蝇个体进行一次搜索,大大加快了算法的收敛速度。函数测试结果表明,IFOA显著提高了FOA的寻优性能。将IFOA应用到气动优化设计中,翼型反设计和单/多目标优化设计的算例表明,IFOA是一种简单高效的优化方法,可广泛应用于气动优化设计。